120万星！开发者排队“投简历”，DeepSeek一条内测帖，变成了Agent开源大摸底

DeepSeek Harness内测前瞻。

智东西8月4日报道，8月1日，DeepSeek的Agent Harness团队负责人崔添翼发文招募DeepSeek Harness内测人员，要求申请者参与过开源Agent项目的建立和维护，并提交GitHub仓库作为代表作品。

一条内测招募帖，很快变成了一场Agent开源生态的大摸底。大量开发者带着自己的项目涌入评论区，从个人Harness、Coding Agent，到记忆系统、安全工具、评测框架，几乎覆盖了当前Agent基础设施探索的各个方向。

据开发者统计，截至8月3日上午11:30，共有769位报名者、去重后712个开源仓库、合计超过120万Stars，跨越了18个赛道，评论区秒变“开源Agent路演”。

统计仓库地址：

https://github.com/Octo-o-o-o/deepseek-harness-applicants

从目前公开信息看，DeepSeek已经在内部使用Harness完成DeepSeek-V4-Flash正式版的基准测试，而社区也开始猜测，DeepSeek未来可能会基打造一款面向软件工程场景的AI Coding Agent。

按照社区流传的说法，这款产品或将具备自主规划、工具调用、代码执行等能力，并围绕长周期Agent工作流加入Memory、项目仓库感知（Repo Awareness）等机制，定位上可能会对标Claude Code、Codex等现有Coding Agent产品。

这些信息目前尚未得到DeepSeek官方确认。不过，从此前公布的Harness基准成绩来看，DeepSeek测试的重点本身就集中在终端操作、多工具调用、全栈开发等长流程任务场景。

若社区预测成立，Harness承担的角色可能正是连接模型能力与真实软件工程流程的执行层。

而这场由769位开发者、712个开源仓库参与的“评论区路演”，恰好提前暴露了一个AI Coding Agent走向工程化需要持续升级的能力版图：

如何让Agent长时间稳定运行、如何管理项目上下文和记忆、如何控制工具调用风险，以及如何在真实开发环境中完成从理解需求到交付代码的完整闭环。

01.

DeepSeek Harness重点关注的

是模型之外的Agent执行层

关于Harness，业内一直有这样一个公式：

Model+Harness=Agent。

模型负责理解需求、推理和生成方案，Harness负责把这些能力落到真实环境中：调用工具、操作终端、读写文件、管理上下文、处理执行过程中的错误，最终完成一个完整任务闭环。

把目前公开信息放在一起看，DeepSeek Harness的定位已经逐渐清晰：它并不是一个单纯的代码生成工具，而是在模型和真实软件工程环境之间增加一层“执行系统”。

这一点也在DeepSeek-V4-Flash成绩单中的五组基准里有所体现，Terminal Bench测试终端环境操作，Cybergym测试安全攻防能力，Toolathlon测试多工具调用，DSBench-FullStack和DSBench-Hard则聚焦全栈开发任务。

这些测试的共同特点是：任务链条长、步骤多，需要Agent持续调用工具并根据反馈调整策略。

DeepSeek选择测试的方向，更接近一个能够自主执行软件工程任务的Agent。这也和社区流传的对标Claude Code、Codex等产品的目标一致。

除了基准之外，DeepSeek的生态动作也透露出类似信号。目前公开信息显示，DeepSeek-V4-Flash已支持Responses API，并适配Codex，走向标准化工具调用协议；识图模式正在灰度，用于补充代码Agent在理解架构图、报错截图等视觉信息上的能力。

这些动作共同指向一个趋势：未来Coding Agent的竞争，不只取决于模型能力，也取决于模型之外的工程基础设施。

02.

769份报名记录

暴露了Agent工程化的

三大进化方向

769份报名记录里，开发者关注的是一个非常现实的问题：

当Agent需要独立完成一个真实工程任务时，哪些方面还需要优化？

首先是长任务执行能力。这是Agent从Demo走向生产的第一道门槛。DeepSeek公布的五组基准，本质上都在测试Agent是否具备持续执行复杂任务的能力。如果Agent只能完成一次调用，就无法覆盖Terminal Bench、DSBench这类需要多步骤、多工具协作的任务。

从报名项目来看，智能体框架和编程智能体是最大的两个方向，合计242个，占全部项目约三分之一。

Top 10高星项目中，deer-flow（79k星）探索长周期SuperAgent框架；CodeWhale（40k星）是由DeepSeek原生项目发展成的编程智能体框架；orca（36k星）关注多Agent编排。

这些开源项目路径不同，但都在回答同一个问题：如何让Agent在“持续执行”上走得更远。

其次是上下文和记忆管理。当任务从几分钟延长到几个小时，Agent面临的除了推理能力问题，还有如何保存状态、理解项目历史，并在后续任务中正确调用已有信息。

在报名统计中，记忆与上下文相关项目共有56个，累计194k星（剔除头部项目vllm的88k星后仍约106k星）。开发者正在尝试Git、数据库、知识图谱等不同路线，但Agent记忆目前仍没有统一答案。

最后是评测和安全。研究与评测、安全治理两个方向各有24个项目，是报名生态中规模较小的类别，但决定着Agent能否真正进入生产环境。

有开发者尝试建立跨Harness评测体系；有开发者则关注工具调用权限、文件系统隔离和代码执行沙箱。如果说长任务和记忆解决的是“Agent能不能完成任务”，那么评测和安全解决的就是“Agent能不能被放心使用”。

最终来看，这三个方向对应了Agent从“能用”走向“好用”的关键迭代路径：长任务执行能力决定Agent能否完成复杂工作，上下文和记忆能力决定Agent能否持续参与长期项目，而评测和安全能力决定Agent能否被真正部署到生产环境。

这也是Harness需要持续优化的核心方向：在模型能力之上，进一步完善Agent面向真实世界任务的执行体系。

03.

769份报名记录里

藏着DeepSeek Harness

内测需要的关键反馈

DeepSeek官方尚未，也或许不会公布最终的筛选标准和名单。

但从这份报名统计表来看，真正有价值的，是开发者们正在从不同角度探索Agent落地应用的路径。

对于DeepSeek Harness团队而言，内测名单的意义，或许并不是寻找“最热门”的项目，而是找到能够在产品迭代过程中，提供有效反馈的开发者。以下几类能力，可能正是一个Agent基础设施持续优化所需要的。

首先，是验证模型能力如何转化为执行能力。

DeepSeek Harness的核心挑战，是让模型能够稳定完成复杂任务。比如名单中，akashic-agent的作者于DeepSeek-V4-Flash高思考强度模式运行TerminalBench2.1，拿到70.8%的成绩，是基于DeepSeek模型调优Agent运行时并给出实测结果的开发者。

其次，是验证DeepSeek Harness能否进入真实应用场景。

一个Agent基础设施最终能否成功，不只取决于底层技术能力，也取决于它是否真正满足开发者和应用场景的需求。这次报名中，open-design（83k星）、lobehub（81k星）、career-ops（63k星）等高星项目，都已经拥有一定用户基础，并处于Agent应用生态的上层。

这些开发者长期面对真实用户和实际工作流，能够帮助DeepSeek了解Harness在不同场景中的使用需求：哪些能力最重要、哪些环节容易失效、哪些功能需要进一步优化。

对于仍处于探索阶段的Agent基础设施来说，这类来自一线应用的反馈，可能比单纯的测试数据更有价值。

此外，Agent产品化还需要提前发现安全风险。

随着Agent获得更强的工具调用和代码执行能力，权限控制、文件隔离、安全边界等问题会越来越重要。报名区中有开发者曾挖掘Codex、Claude Code、Cursor等产品漏洞，关注的正是这些Agent从Demo走向产品时必须面对的问题。

当然，这份名单并非完整样本。由于评论区天然混杂报名、讨论和围观，加上提交格式不统一，部分项目仍存在身份无法确认、仓库失效、描述缺失等问题。

这份统计档案也并不是完全准确，我们在核查过程中发现，有一些开源项目的分类出现了错误，比如我的世界机器人被分到了安全领域，但总体上是可以作为参考的。

同时，很多高星项目的报名也并不是作者本人，有不少是仅提交过PR的参与者，并不能完全代表这些Agent项目。

04.

结语：一份提前出现的Agent工程路线图

DeepSeek Harness最终会是什么样，目前还没有答案。但这场由内测招募引发的开源项目“大摸底”，却揭露了Agent时代的竞争焦点。

769份报名记录、712个开源仓库、120万Stars背后，开发者关注的是一个底层的问题：当模型具备越来越强的推理能力后，如何让它稳定、长期、可靠地完成真实任务。

有人在解决长任务执行，让Agent不会跑到一半失控；有人在探索记忆和上下文管理，让Agent能理解一个持续演进的项目；有人在测试安全边界，确保工具调用和代码执行不会成为风险源。

这些项目未必都会进入DeepSeek的内测名单，但它们提前勾勒出了一张未来Agent工程演进的路线图。

文章来自于"AI应用风向标"，作者 "毕伟豪"。